要約
コンピュータ技術の発展に伴い、人工知能の分野でも様々なモデルが登場している。トランスフォーマーモデルは、自然言語処理（NLP）での成功を経て、コンピュータビジョン（CV）の分野にも応用されている。放射線科医は、今日の急速に発展する医療分野において、作業量の増加や診断要求の増大など、複数の課題に直面し続けている。肺がん検出のための従来手法は以前からありますが、特に現実的な診断シナリオにおいて、その精度を向上させる必要があります。本論文では、効率的な変換器に基づくセグメンテーション手法を創造的に提案し、医用画像解析に適用しています。このアルゴリズムは、肺がんデータを解析することにより、肺がんの分類とセグメンテーションのタスクを完了し、医療従事者に効率的な技術支援を提供することを目的としている。また、様々な側面から評価・比較を行った。分類においては、通常の学習によるSwin-Tと事前学習による2つの解像度でのSwin-Bの最大精度は82.3%に達します。セグメンテーションのミッションでは、事前学習により、モデルの精度を向上させる実験を行っています。3つのモデルの精度は95%以上に達する。この実験は、このアルゴリズムが肺癌の分類とセグメンテーションのミッションにうまく適用できることを実証している。
要約(オリジナル)
With the development of computer technology, various models have emerged in artificial intelligence. The transformer model has been applied to the field of computer vision (CV) after its success in natural language processing (NLP). Radiologists continue to face multiple challenges in today’s rapidly evolving medical field, such as increased workload and increased diagnostic demands. Although there are some conventional methods for lung cancer detection before, their accuracy still needs to be improved, especially in realistic diagnostic scenarios. This paper creatively proposes a segmentation method based on efficient transformer and applies it to medical image analysis. The algorithm completes the task of lung cancer classification and segmentation by analyzing lung cancer data, and aims to provide efficient technical support for medical staff. In addition, we evaluated and compared the results in various aspects. For the classification mission, the max accuracy of Swin-T by regular training and Swin-B in two resolutions by pre-training can be up to 82.3%. For the segmentation mission, we use pre-training to help the model improve the accuracy of our experiments. The accuracy of the three models reaches over 95%. The experiments demonstrate that the algorithm can be well applied to lung cancer classification and segmentation missions.
arxiv情報
| 著者 | Ruina Sun,Yuexin Pang |
| 発行日 | 2022-07-04 15:50:06+00:00 |
| arxivサイト | arxiv_id(pdf) |